Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dirección de Postgrado
Facultad de Ingeniería - Programa de Magíster en Ciencias de la Ingeniería con
mención en Ingeniería Eléctrica
Programa
Magíster en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica
Titulo
Modelación neuro-difusa del desgaste de alzadores y nivel de llenado de molinos SAG
Alumno
Omar Andrés Quilodrán Rodríguez
Profesor Supervisor
Manuel Aníbal Valenzuela Latorre
Comisión Evaluadora
Prof. Manuel Aníbal Valenzuela Latorre
Evaluador Externo
Prof. Guillermo Ramírez Arias
iii
Resumen
Los molinos SAG son importantes equipos mineros utilizados en plantas concentradoras para
la molienda de minerales. De la correcta operación de estos equipos, depende el mantener la tasa de
producción diaria y el porcentaje de recuperación de cobre en el proceso que le sucede, la flotación.
Se estima que por detener dos horas un molino SAG, mínimo tiempo que tarda una inspección,
las pérdidas económicas ascienden a cerca de 100,000 USD. La principal causa de detención
corresponde a inspecciones para revisar el estado de los alzadores, los cuales cumplen una función de
protección de la coraza interna del molino y también inciden en la eficiencia de molienda por medio
del levante de la carga.
Por otro lado, el poder monitorear el nivel de llenado, tiene una gran relevancia en la
producción y eficiencia del proceso, ya que permite utilizar el molino en su máxima capacidad de
procesamiento sin caer en zonas de sobrellenado o vaciado del molino SAG.
Las dos variables, estado de alzadores y nivel de llenado, no son medibles directamente durante
la operación del molino.
Este trabajo utiliza un enfoque neuro-difuso para generar modelos que permitan estimar en
línea tanto el desgaste de los alzadores y el nivel de llenado, utilizando variables de proceso y
eléctricas.
El modelo de desgaste de alzadores se desarrolla y evalúa a partir de registros de terreno,
mientras que el modelo del nivel de llenado es desarrollado a partir de datos de simulaciones DEM, y
posteriormente ajustado por medio de registros de terreno.
Las simulaciones DEM se llevan a cabo por medio del software Rocky DEM, cubriendo un
amplio rango de variación de las condiciones de operación.
iv
Agradecimientos
En especial agradecer a mi familia por su apoyo incondicional, en todo ámbito de mi vida.
Al profesor Aníbal Valenzuela por el continuo acompañamiento durante el desarrollo de este
trabajo, así como también por creer en mis capacidades y potenciarlas en el día a día.
A los miembros del laboratorio de control de movimiento (Don Sergio, José, Matías, Diego,
Benjamín y Germán) por contribuir a un grato ambiente de trabajo y brindar ayuda en temas técnicos
y no tan técnicos.
No puedo dejar de agradecer al Sr. Eric Larenas por su gran y desinteresada ayuda, sin la cual
este trabajo no hubiera sido posible.
Finalmente, agradecer a mi polola por su apoyo durante el desarrollo de la investigación y a
mis amigos por los gratos momentos vividos.
Tabla de contenidos
RESUMEN……............................................................................................................................................................... III
LISTA DE TABLAS ...................................................................................................................................................... VII
LISTA DE FIGURAS .................................................................................................................................................. VIII
NOMENCLATURA.......................................................................................................................................................... X
ABREVIACIONES ........................................................................................................................................................ XII
CAPÍTULO 1. INTRODUCCIÓN ................................................................................................................................. 1
1.1. INTRODUCCIÓN GENERAL .................................................................................................................................... 1
1.2. TRABAJOS PREVIOS .............................................................................................................................................. 2
1.2.1 Medición del desgaste de alzadores ........................................................................................................... 2
1.2.2 Medición del nivel de llenado ..................................................................................................................... 4
1.2.3 Modelación neuro-difusa ............................................................................................................................ 8
1.2.4 Uso de software DEM en simulación de molinos rotatorios .................................................................... 11
1.2.5 Discusión .................................................................................................................................................. 13
1.3. HIPÓTESIS DE TRABAJO ..................................................................................................................................... 14
1.4. OBJETIVOS ......................................................................................................................................................... 15
1.4.1 Objetivo General ...................................................................................................................................... 15
1.4.2 Objetivos Específicos ................................................................................................................................ 15
1.5. ALCANCES Y LIMITACIONES ............................................................................................................................... 15
1.6. TEMARIO Y METODOLOGÍA................................................................................................................................ 15
CAPÍTULO 2. MODELACIÓN NEURO-DIFUSA.................................................................................................... 17
2.1. INTRODUCCIÓN .................................................................................................................................................. 17
2.2. SISTEMAS DIFUSOS ............................................................................................................................................. 17
2.3. REDES NEURONALES ARTIFICIALES .................................................................................................................... 21
2.4. ANFIS ............................................................................................................................................................... 24
2.5. DISCUSIÓN Y CONCLUSIONES ............................................................................................................................. 27
CAPÍTULO 3. MODELO DE DESGASTE DE ALZADORES ................................................................................ 28
3.1. INTRODUCCIÓN .................................................................................................................................................. 28
3.2. REGISTROS DE TERRENO Y MEDICIONES DEL DESGASTE ..................................................................................... 28
3.3. DESARROLLO DEL MODELO DE DESGASTE.......................................................................................................... 33
3.3.1 Etapa de entrenamiento ............................................................................................................................ 33
3.3.2 Reglas resultantes y funciones de pertenencia ......................................................................................... 34
3.3.3 Estructura y parámetros ........................................................................................................................... 35
3.3.4 Superficies de salida ................................................................................................................................. 37
3.4. EVALUACIÓN DEL MODELO ................................................................................................................................ 38
3.5. DISCUSIÓN Y CONCLUSIONES ............................................................................................................................. 41
CAPÍTULO 4. ANÁLISIS DE SIMULACIONES DEM ............................................................................................ 42
4.1. INTRODUCCIÓN .................................................................................................................................................. 42
4.2. DESCRIPCIÓN DEL MÉTODO DE ELEMENTOS DISCRETOS ................................................................................... 42
4.3. POSICIÓN DE LA CARGA DEL MOLINO. ................................................................................................................ 44
4.4. CURVAS DE POTENCIA VS VELOCIDAD. .............................................................................................................. 46
4.5. CURVAS DE POTENCIA VS NIVEL DE LLENADO.................................................................................................... 48
4.6. OBTENCIÓN DE LA REACCIÓN EN LOS DESCANSOS. ............................................................................................ 50
4.7. CURVAS DE REACCIÓN VS NIVEL DE LLENADO. .................................................................................................. 56
4.8. DISCUSIÓN Y CONCLUSIONES. ............................................................................................................................ 58
CAPÍTULO 5. MODELO DE NIVEL DE LLENADO .............................................................................................. 59
5.1. INTRODUCCIÓN .................................................................................................................................................. 59
5.2. REGISTROS DE SIMULACIONES DEM.................................................................................................................. 59
vi
Lista de Tablas
Tabla 3.1 Inspecciones de altura de alzadores – SAG 1 (Fuente: Elaboración propia). .................... 31
Tabla 3.2 Número de datos de entrenamiento, validación y testeo (Fuente: Elaboración propia)..... 33
Tabla 3.3 RMSE finalizada la etapa de entrenamiento de modelos de desgaste (Fuente: Elaboración
propia). ............................................................................................................................................... 34
Tabla 3.4 Parámetros parciales de funciones de pertenencia modelo de desgaste – SAG 1 (Fuente:
Elaboración propia). ........................................................................................................................... 35
Tabla 3.5 Parámetros parciales de consecuentes de reglas difusas de modelo de desgaste – SAG 1
(Fuente: Elaboración propia). ............................................................................................................. 36
Tabla 3.6 Valores RMSE y MAPE obtenidos en la etapa de testeo (Fuente: Elaboración propia). .. 40
Tabla 4.1 Largo de secciones del molino (Fuente: Elaboración propia). ........................................... 53
Tabla 5.1 Valores de normalización de variables (Fuente: Elaboración propia). .............................. 60
Tabla 5.2 Valores RMSE finalizado el entrenamiento (Fuente: Elaboración propia). ...................... 61
Tabla 5.3 Parámetros de las funciones de pertenencia (Fuente: Elaboración propia)........................ 63
Tabla 5.4 Parámetros de los consecuentes de las reglas (Fuente: Elaboración propia). .................... 63
Tabla 5.5 Primer grupo de simulaciones de evaluación (Fuente: Elaboración propia)...................... 67
Tabla 5.6 Segundo grupo de simulaciones de evaluación (Fuente: Elaboración propia). ................. 67
Tabla 5.7 Tercer grupo de simulaciones de evaluación (Fuente: Elaboración propia). ..................... 68
Tabla 5.8 RMSE y MAPE de simulaciones de evaluación (Fuente: Elaboración propia). ................ 69
Tabla 6.1 Valores promedio de mediciones de terreno SAG 1 (Fuente: Elaboración propia). .......... 75
Tabla 6.2 Valores promedio de mediciones de terreno SAG 2 (Fuente: Elaboración propia). .......... 75
Tabla 6.3 Parámetros ajustados con datos de terreno (Fuente: Elaboración propia). ........................ 76
Tabla 6.4 Errores de estimación de modelo de nivel de llenado SAG 1 (Fuente: Elaboración propia).
............................................................................................................................................................ 77
Tabla 6.5 Errores de estimación de modelo de nivel de llenado SAG 2 (Fuente: Elaboración propia).
............................................................................................................................................................ 77
Tabla B.1 Granulometría de mineral (Fuente: Elaboración propia)................................................... 88
Tabla B.2 Granulometría de bolas (Fuente: Elaboración propia). ..................................................... 88
Tabla B.3 Volumen del molino para niveles de llenado del 25 al 45% (Fuente: Elaboración propia).
............................................................................................................................................................ 89
Tabla B.4 Volumen de la carga del molino para niveles de llenado experimentales (Fuente:
Elaboración propia). ........................................................................................................................... 89
Tabla B.5 Volumen ocupado por mineral para niveles de llenado experimentales (Fuente:
Elaboración propia). ........................................................................................................................... 90
Tabla B.6 Masa de mineral para niveles de llenado experimentales (Fuente: Elaboración propia). . 90
Tabla B.7 Niveles de llenado según método del conteo de alzadores – DEM y terreno (Fuente:
Elaboración propia). ........................................................................................................................... 91
viii
Lista de Figuras
Figura 2.1 Arquitectura de un Sistema de Inferencia Difuso (Fuente: Elaboración propia). ............. 18
Figura 2.2 Arquitectura de una neurona artificial (Fuente: Elaboración propia). .............................. 21
Figura 2.3 RNA multilayer feedforward (Fuente: Elaboración propia). ............................................ 23
Figura 2.4 Arquitectura ANFIS (Fuente: Elaboración propia). ......................................................... 24
Figura 3.1 Alimentación de mineral – primera campaña de SAG 1 (Fuente: Elaboración propia). .. 29
Figura 3.2 Presión de descanso – primera campaña de SAG 1 (Fuente: Elaboración propia)........... 29
Figura 3.3 Potencia – primera campaña de SAG 1 (Fuente: Elaboración propia). ............................ 30
Figura 3.4 Velocidad – primera campaña de SAG 1 (Fuente: Elaboración propia). ......................... 30
Figura 3.5 Curva de desgaste de alzadores, campaña 1ª (Fuente: Elaboración propia). .................... 32
Figura 3.6 Curva de desgaste de alzadores, campaña 1B (Fuente: Elaboración propia). .................. 32
Figura 3.7 Evolución del RMSE con datos de entrenamiento y validación – SAG 1 (Fuente:
Elaboración propia). ........................................................................................................................... 34
Figura 3.8 Funciones de pertenencia de cinco primeras reglas de modelo de desgaste – SAG 1
(Fuente: Elaboración propia). ............................................................................................................. 35
Figura 3.9 Estructura parcial de modelo de desgaste – SAG 1, 2 (Fuente: Elaboración propia). ...... 36
Figura 3.10 Altura de alzadores en función de mineral procesado y potencia – SAG 1 (Fuente:
Elaboración propia). ........................................................................................................................... 37
Figura 3.11 Altura de alzadores en función de mineral procesado y presión de descanso – SAG 1
(Fuente: Elaboración propia). ............................................................................................................. 37
Figura 3.12 Evaluación de modelo de desgaste SAG 1 – datos de campaña 1ª (Fuente: Elaboración
propia). ............................................................................................................................................... 38
Figura 3.13 Curva de error al evaluar modelo de desgaste SAG 1 – datos de campaña 1ª (Fuente:
Elaboración propia). ........................................................................................................................... 39
Figura 3.14 Evaluación de modelo de desgaste SAG 1 – datos de campaña 1B (Fuente: Elaboración
propia). ............................................................................................................................................... 39
Figura 3.15 Curva de error al evaluar modelo de desgaste SAG 1 – datos de campaña 1B (Fuente:
Elaboración propia). ........................................................................................................................... 40
Figura 4.1 Forma de la carga del molino – sentido de giro antihorario (Fuente: Elaboración propia).
............................................................................................................................................................ 44
Figura 4.2 Matriz nivel de llenado–velocidad con altura de alzadores de 377 mm (Fuente:
Elaboración propia). ........................................................................................................................... 45
Figura 4.3 Matriz nivel de llenado – velocidad con altura de alzadores de 140 mm (Fuente:
Elaboración propia). ........................................................................................................................... 45
Figura 4.4 Curvas de potencia vs velocidad – altura 377 mm (Fuente: Elaboración propia). ........... 46
Figura 4.5 Curvas de potencia vs velocidad – nivel de llenado de 25 % (Fuente: Elaboración propia).
............................................................................................................................................................ 47
Figura 4.6 Curvas de potencia vs nivel de llenado – altura de alzadores de 377 mm (Fuente:
Elaboración propia). ........................................................................................................................... 48
Figura 4.7 Curvas de potencia vs nivel de llenado – velocidad de 85% (Fuente: Elaboración propia).
............................................................................................................................................................ 50
Figura 4.8 Estructura de molino SAG simulado en Rocky DEM (Fuente: Elaboración propia). ...... 51
Figura 4.9 Fuerza ejercida por las partículas sobre el molino (Fuente: Elaboración propia)............. 52
Figura 4.10 Distribución de fuerzas sobre secciones del molino (Fuente: Elaboración propia). ....... 53
Figura 4.11 Correspondencia de masa nominal y fuerzas promedio – Altura de alzadores de 377 mm
(Fuente: Elaboración propia). ............................................................................................................. 54
ix
Figura 4.12 Esquema de fuerzas involucradas en el equilibrio del molino (Fuente: Elaboración
propia). ............................................................................................................................................... 54
Figura 4.13 Masa de revestimientos en función del desgaste de alzadores (Fuente: Elaboración
propia). ............................................................................................................................................... 56
Figura 4.14 Curvas de reacción vs nivel de llenado – Altura de alzadores de 377 mm (Fuente:
Elaboración propia). ........................................................................................................................... 57
Figura 4.15 Curvas de reacción vs nivel de llenado – velocidad de 65 % (Fuente: Elaboración
propia). ............................................................................................................................................... 57
Figura 5.1 Datos de entrenamiento normalizados (Fuente: Elaboración propia). .............................. 60
Figura 5.2 Evolución del RMSE durante la etapa de entrenamiento del modelo (Fuente: Elaboración
propia). ............................................................................................................................................... 61
Figura 5.3 Funciones de pertenencia de las 2 reglas del modelo (Fuente: Elaboración propia). ....... 62
Figura 5.4 Estructura ANFIS del modelo del nivel de llenado (Fuente: Elaboración propia). .......... 63
Figura 5.5 Nivel de llenado en función de reacción de descanso y potencia, altura de alzadores de
300 mm y 75% de la velocidad crítica (Fuente: Elaboración propia). ............................................... 64
Figura 5.6 Nivel de llenado en función de reacción de descanso y altura de alzadores, 75 % de la
velocidad crítica (Fuente: Elaboración propia). ................................................................................. 65
Figura 5.7 Nivel de llenado en función de potencia y velocidad, altura de alzadores de 300 mm
(Fuente: Elaboración propia). ............................................................................................................. 65
Figura 5.8 Evaluación de modelo de nivel de llenado (Fuente: Elaboración propia). ....................... 68
Figura 5.9 Errores de estimación obtenidos en la evaluación del modelo (Fuente: Elaboración
propia). ............................................................................................................................................... 69
Figura 6.1 Modelo de nivel de llenado implementado en Simulink (Fuente: Elaboración propia). .. 72
Figura 6.2 Subsistema 1 de modelo de nivel de llenado (Fuente: Elaboración propia). .................... 72
Figura 6.3 Subsistema 2 de modelo de nivel de llenado (Fuente: Elaboración propia). .................... 73
Figura 6.4 Subsistema 3 de modelo de nivel de llenado (Fuente: Elaboración propia). .................... 73
Figura 6.5 Valores promedio de registros de terreno de molino SAG 1 (Fuente: Elaboración propia).
............................................................................................................................................................ 76
Figura 6.6 Estimaciones del nivel de llenado – molino SAG 1 (Fuente: Elaboración propia). ......... 77
Figura A.1 Puntos de medición de altura de alzadores (Fuente: CODELCO). .................................. 86
Figura A.2 Esquema de corte transversal de molino SAG (Fuente: Elaboración propia). ................ 86
Figura A.3 Vista interna de molino SAG durante inspección del nivel de llenado (Fuente:
CODELCO). ....................................................................................................................................... 87
Figura B.1 Niveles de llenado medidos en terreno simulados en DEM (Fuente: Elaboración propia).
............................................................................................................................................................ 91
Figura C.1 Geometría de alzadores tras 0 segundos transcurridos en simulación (Fuente: Elaboración
propia). ............................................................................................................................................... 92
Figura C.2 Geometría de alzadores tras 55 segundos transcurridos en simulación (Fuente:
Elaboración propia). ........................................................................................................................... 92
Figura C.3 Datos de terreno de condición 5 (Fuente: Elaboración propia)........................................ 93
Figura C.4 Superposición de superficie rectangular sobre cara de ataque de alzador desgastado
(Fuente: Elaboración propia). ............................................................................................................. 93
Figura C.5 Ángulo entre la cara superior y de ataque de nueva geometría de alzador (Fuente:
Elaboración propia). ........................................................................................................................... 93
x
Nomenclatura
Vectores
Escalares
x : Variable lingüística
A1 : Conjunto difuso
A1 x : Función de pertenencia de x con A1
Ri : i-ésima regla difusa
i : Fuerza de disparo de i-ésima regla difusa
: Operador mínimo
: Operador máximo
Ci w : Función de pertenencia del consecuente de i-ésima regla en modelo Mamdami
f i x, y : Función de pertenencia del consecuente de i-ésima regla en modelo Sugeno
Ci w
' : Salida individual de i-ésima regla en modelo Mamdami
Si : Salida individual de i-ésima regla en modelo Sugeno
C w : Salida total del motor de inferencia en modelo Mamdami
z0 : Salida total del motor de inferencia en modelo Sugeno
wij : j-ésimo peso de ponderación de i-ésima neurona
xj : j-ésima entrada de la i-ésima neurona
i : Valor umbral de la i-ésima neurona
yi : Valor medido de la variable y
yˆ i : Valor estimado de la variable y
m : Masa de partícula
dt : Paso de tiempo
: Velocidad angular de rotación
T : Torque
Mc : Masa de la carga de molino
g : Valor de aceleración de gravedad
d : Brazo de fuerza peso de la carga de molino
xi
Abreviaciones
Mayúsculas
Capítulo 1. Introducción
1.1. Introducción general
La conminución se define como la acción de reducir un material a pequeñas partículas
o fragmentos. En la industria minera, la ruptura es llevada a cabo a través de tronadura,
chancado y molienda. El proceso de tronadura busca reducir el tamaño de las rocas, de
manera de hacer abordable el transporte de ellas. Por su parte, el chancado y molienda, tienen
como objetivo proporcionar partículas de un determinado tamaño, del orden de los 150 mm
y 200 µm respectivamente, para una posterior separación del mineral valioso del material
estéril.
Cerca del 55% de la energía eléctrica usada en operaciones mineras a nivel nacional
es consumida en los procesos de conminución de mineral. Es por esta razón que tanto
prácticas operacionales, desarrollos tecnológicos e innovaciones que permitan optimizar este
proceso, tienen un gran impacto en el incremento de la productividad y eficiencia energética
del negocio minero.
En lo que respecta a la molienda de mineral, esta se lleva a cabo en la mayoría de las
plantas concentradoras por molinos rotatorios de grandes dimensiones tales como molinos
SAG y molinos de bolas. Dado que la tendencia ha sido aumentar la capacidad de producción
de los molinos SAG, llegando a diámetros de hasta 12 metros, los accionamientos de tipo
piñón-corona convencionales han sido reemplazados por accionamientos gearless, en los
cuales el estator del motor se encuentra instalado alrededor del manto del molino. De esta
manera se logra una mayor eficiencia y disponibilidad del equipo, en el rango de potencias
que fluctúan entre los 8 y 25 MW.
El estado de los alzadores de molinos SAG, así como el nivel de llenado de mineral
al cual operan estos equipos, son variables que afectan en gran medida el movimiento de la
carga al interior del molino, por lo que son de gran importancia en términos de eficiencia del
proceso de conminución.
El desgaste de los alzadores tiene una gran influencia en la productividad y
disponibilidad de un molino SAG, dado que es la principal causa de detenciones debido a
inspecciones de la altura de estas piezas y también detenciones por recambio de éstas. Por su
parte, el nivel de llenado es una variable que permite operar el molino en una zona óptima
2
desde el punto de vista de maximización del tonelaje a procesar, sin riesgo de una condición
de sobrellenado perjudicial para la continuidad operacional.
Las dos variables de proceso mencionadas anteriormente no son medibles
directamente durante la operación de un molino SAG, lo que provoca detenciones del molino
y sub-operación de la capacidad de molienda de este equipo minero.
Lo anterior es de suma relevancia dado que el costo de detener por dos horas un
molino SAG, tiempo mínimo que toma una inspección, es aproximadamente $USD 100,000.
Este trabajo presenta un método de estimación en línea del desgaste de alzadores y
nivel de llenado, utilizando variables de proceso y simulación DEM.
Este trabajo estudia la factibilidad de usar ultrasonido para el monitoreo en línea del
estado de desgaste de los revestimientos de un molino. Se propone una tecnología
denominada “Waterflow ultrasonic” que usa una columna de agua para transmitir el
ultrasonido hacia la coraza del molino y revestimientos. Luego, midiendo el tiempo de vuelo
3
Esta publicación desarrolla un método que predice el tiempo de vida útil restante de
los alzadores, sin necesidad de detener el molino. Se entrena una red neuronal artificial a
partir de datos de proceso que afectan el desgaste de los alzadores y registros de altura de
éstos.
El trabajo permite corroborar el patrón de la curva de desgaste a lo largo de una
campaña, y resalta las ventajas de usar el tipo de interpolación PCHIP en los registros de
altura.
Libro que aborda los tipos de variables de proceso medidas, métodos de medición,
tecnologías de control industrial y objetivos de control de plantas de procesamiento de
minerales. Dentro de la temática de simulación de procesos, se presenta una librería de
módulos de simulación desarrollados en Matlab, que incluye circuitos de molienda.
Las respuestas dinámicas de simulaciones de nivel de llenado y potencia ilustran la
sensibilidad de estas variables ante perturbaciones como la distribución de tamaños en la
alimentación al molino y la dureza del mineral.
• J. Salazar et al., “Dynamic modelling and simulation of semiautogenous mills”, in
Minerals Engineering, vol. 22, no. 1, pp. 70–77, 2009 [9].
Esta presentación resalta los beneficios de la medición en línea del nivel de llenado,
y presenta un método de inferencia del nivel de llenado a partir de mediciones de la presión
de descansos, potencia y posición de la carga. Se resalta que se obtuvieron estimaciones
satisfactorias del nivel de llenado de un molino industrial de 38’x22’.
El trabajo respalda la elección de la potencia y presión de los descansos como
variables claves en la estimación del nivel de llenado de un molino SAG.
• G. Acuña, M. Curilem and F. Cubillos, “Desarrollo de un Sensor Virtual basado en
Modelo NARMAX y Máquina de Vectores de Soporte para Molienda Semiautógena”
in Revista Iberoamericana de Automática e Informática Industrial RIAI, vol. 11, no
1, pp. 109-116, 2014, [13].
7
Libro que revisa los fundamentos y aplicaciones de los sistemas difusos y redes
neuronales artificiales, así como también se presentan las ventajas de la integración de estos
tipos de sistemas. Se examinan sistemas de control neuro-difusos, redes neuronales difusas
y sistemas híbridos. También se incluyen simulaciones de sistemas difusos y redes
neuronales en Matlab.
El libro sustenta la elección de modelos neuro-difusos para la modelación del nivel
de llenado y desgaste de alzadores de molinos SAG, dado el alto grado de no linealidad,
interacciones entre variables y perturbaciones no medibles propias del proceso de molienda.
• M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems. London:
Addison Wesley, 2005, [18].
lógica difusa y describe algunas aplicaciones representativas. También se abordan las formas
de representación e inferencia, reglas básicas de inferencia, variables lingüísticas y su
aplicación en control difuso.
El trabajo entrega sólidas bases del buen desempeño de sistemas difusos en escenarios
de incerteza e imprecisión.
• M.J Willis et al., “Artificial neural networks in process engineering” in IEEE
Proceedings D (Control Theory and Applications), vol.138, pp. 256-266, 1991, [20].
Publicación que presenta un rápido y robusto método para extraer reglas difusas a
partir de datos. Este método obtiene las reglas iniciales por medio de subtractive clustering y
luego optimiza los parámetros de las funciones de pertenencia de éstas por medio de un
algoritmo de descenso del gradiente.
En el desarrollo de la presenta Tesis se utiliza subtractive clustering para obtener un
10
mínimo conjunto de reglas que representen el comportamiento dinámico del sistema, para
luego optimizar los parámetros de las reglas por medio del aprendizaje híbrido de ANFIS.
• B. Li et al “Approach to complex hydrogen reactor optimization modeling based on
ANFIS” 2012 IEEE 2nd International Conference on Cloud Computing and
Intelligent Systems (CCIS). Hangzhou, China, 2012, [23].
obtuvieron por medio de ANFIS. Además, se reporta que la exactitud de las estimaciones
depende de la exactitud de la data de terreno, y que esta debe cubrir diferentes condiciones
de operación.
Libro que aborda temas relacionados a los tiempos de integración y estabilidad de las
simulaciones, tipos de partículas, modelos de contacto y condiciones de borde. También se
presenta, en el capítulo 11, una guía para realizar simulaciones DEM que cubre aspectos
como diferencias entre realizar simulaciones en dos y tres dimensiones, selección de
parámetros de contacto y el efecto del número y forma de partículas en los tiempos de
simulación.
Los aspectos cubiertos por el libro proporcionan una sólida base al momento de
configurar simulaciones DEM, así como también para la interpretación de resultados.
• X. Quiu et al., “Prediction of Wear of Mill Lifters Using Discrete Element Method”
in Mular A(ed) SAG 2001, Vancouver, B.C. Canada, [27].
• P. Cleary and P. Owen “Development of models relating charge shape and power
draw to SAG mill operating parameters and their use in devising mill operating
strategies to account for liner wear” in Minerals Engineering, vol. 117, pp. 42-62,
2018, [32].
1.2.5 Discusión
La literatura muestra que para la estimación del desgaste de alzadores se han
desarrollado tecnologías basadas en mediciones efectuadas en la coraza del molino [1] o
incluso desde el interior [2]. El costo de mantenimiento de este tipo de sensores constituye
una importante limitante, que ha propiciado el desarrollo de sensores que de manera no
invasiva logren inferir la altura de los alzadores.
En este ámbito, se revisaron trabajos que de forma experimental o mediante
simulación DEM relacionan la altura de los alzadores con las condiciones de operación [3],
[5], [30]; y enfoques que desarrollan expresiones a partir de este tipo de relaciones para la
estimación del desgaste en tiempo real [28], [29], [31], [32].
Cabe destacar que en los trabajos anteriores no se incluye el tiempo de operación del
14
molino como una variable relevante en el desgaste de los alzadores, lo que sí se desarrolla en
[6] mediante un ajuste por medio de redes neuronales y datos de variables de proceso.
Este trabajo, incluye el tonelaje procesado, relacionado con el tiempo de campaña,
como entrada del modelo de desgaste, además de incluir variables operacionales como la
presión del descanso de descarga, potencia y velocidad. El modelo se desarrolla íntegramente
a partir de datos de terreno utilizando modelación neuro-difusa, dado que un sistema difuso
es idóneo para un proceso que presenta incertidumbre en sus condiciones de operación como
lo es el proceso de molienda SAG [17].
Por otra parte, la revisión muestra que se han desarrollado métodos para estimar el
nivel de llenado en línea, basados en resultados de simulaciones DEM que replican un amplio
rango de variación de las condiciones de operación [31], [32]. Sin embargo, la forma de
abordar la problemática ha sido por medio del ajuste de parámetros de expresiones lineales
que relacionan las variables de interés. En este trabajo, se presenta un modelo no lineal neuro-
difuso que relaciona las variables de operación, incluyendo la altura de los alzadores, con el
nivel de llenado. Este tipo de modelo ha demostrado ser robusto en sistemas no lineales, con
acoplamiento entre las distintas variables y que presentan incertidumbre [23], [24], [25].
Por otro lado, se revisaron trabajos en que los modelos del nivel de llenado se
desarrollan a partir de datos extraídos directamente de molinos industriales [13], [14],
molinos de laboratorio [16] y simuladores de molienda SAG distintos a DEM [9], [15].
Si bien los enfoques anteriores utilizan técnicas avanzadas de modelación, los datos
no siempre cubren todas las condiciones posibles de operación, lo que merma la robustez de
las estimaciones. En este trabajo, se cubre un amplio rango de operación por medio de
simulación DEM, y posteriormente se realiza un ajuste de parámetros del modelo en base a
datos de terreno.
1.4. Objetivos
velocidad es una variable lingüística si asume valores como lento, rápido, muy rápido, etc.
Por otro lado, la lógica difusa utiliza sentencias condicionales o reglas difusas. La
forma general de una regla difusa se muestra en la ecuación (2.1) para el caso de un sistema
MISO.
donde,
x,y,z : Variables lingüísticas.
Ai , Bi , Ci : Conjuntos difusos.
Tanto “x is Ai” como “y is Bi” constituyen el antecedente de la regla Ri, mientras que
“z = Ci” corresponde a la parte del consecuente de la regla.
Una variante del tipo de regla mostrado en la ecuación (2.1) se obtiene cuando el
consecuente de la regla se representa como una función de las variables x e y, tal como se
muestra en la ecuación (2.2).
Ri : IF x is Ai ,..., AND y is Bi , THEN z f i x,.., y , i 1, 2,..., n, (2.2)
donde,
x,y : Variables lingüísticas.
z : Valor no-difuso.
Es importante consignar que una regla difusa dispone de valores lingüísticos como
entradas, mientras que su salida(s) pueden ser valores lingüísticos o valores no-difusos, como
se observa en las ecuaciones (2.1) y (2.2), respectivamente.
Por otro lado, un sistema de inferencia difuso se puede definir como el proceso de
mapeo desde determinadas entradas a una salida, usando la teoría de conjuntos difusos. La
Figura 2.1 muestra la estructura de un sistema de inferencia difuso.
Base de
reglas
donde,
A1 x : Grado de pertenencia de x con el conjunto difuso A1.
2 A2 x B 2 y (2.4)
donde,
A2 x : Grado de pertenencia de x con el conjunto difuso A2.
donde,
i : Fuerza de disparo de i-ésima regla.
20
donde,
C 1 w
' : Salida individual de la regla R1.
C 2 w
' : Salida individual de la regla R2.
: Operador máximo.
Por su parte, en un sistema de inferencia del tipo Sugeno las reglas presentan
funciones de las variables de entrada en la parte del consecuente, tal como se muestra en la
ecuación (2.2). Debido a que las evaluaciones de estas funciones presentan valores
específicos según las variables de entrada, las funciones de pertenencia utilizadas en los
consecuentes son del tipo singleton. Una función de pertenencia del tipo singleton presenta
un valor unitario en solo un punto del universo de discurso.
En un sistema Sugeno formado por dos reglas con los mismos antecedentes que el
sistema de tipo Mamdani anterior, la salida individual de la i-ésima regla se calcula de
acuerdo con la ecuación (2.7).
Si i f i x, y (2.7)
donde,
i : Fuerza de disparo de i-ésima regla.
Luego, la salida total del motor de inferencia se calcula según la ecuación (2.8).
S1 S 2
z0 (2.8)
1 2
donde,
S1 , S 2 : Salidas individuales de reglas 1 y 2.
x1
wi1
wi2 yi
x2 f(·) a(·)
xm wim
Figura 2.2 Arquitectura de una neurona artificial (Fuente: Elaboración propia).
La función de integración es usualmente una función lineal de las entradas, tal como
se muestra en la ecuación (2.9).
m
fi wij x j i (2.9)
j 1
donde,
wij : j-ésimo peso de ponderación de la i-ésima neurona.
22
Por otro lado, una típica función de activación corresponde a la función sigmoide,
cuya ecuación se muestra en la ecuación (2.10).
1 (2.10)
a ( x)
1 e x
donde,
x : Resultado de la función de integración.
Diferentes funciones de integración y de activación se pueden encontrar en [17]. Cabe
mencionar que la función de activación permite que una RNA pueda representar relaciones
no lineales [20].
Entre las diversas topologías de RNA’s, se encuentran las single-layer feedforward,
multilayer feedforward y recurrent. Estas topologías se diferencian en la forma de conexión
entre las distintas neuronas [17].
En este trabajo se estudia con mayor detalle la topología multilayer feedforward, dado
que es la utilizada en el algoritmo neuro-difuso ANFIS para modelar tanto el desgaste de
alzadores como el nivel de llenado. Las RNA´s multilayer feedforward, a diferencia de las
single-layer feedforward, se componen de varias capas de neuronas interconectadas.
Por otro lado, las neuronas de esta topología solo admiten como entradas las salidas
de las neuronas de la capa anterior, lo que las diferencia de las recurrent networks que
presentan lazos de retroalimentación entre neuronas.
En la Figura 2.3 se muestra un ejemplo de una red multilayer feedforward.
23
2.4. ANFIS
Un modelo ANFIS, desde el punto de vista estructural, es equivalente a un sistema
difuso del tipo Sugeno. La metodología ANFIS se creó originalmente en 1993 por Jang [21]
y ha sido utilizada satisfactoriamente en la modelación de diversos procesos.
La arquitectura ANFIS es descrita a partir de la Figura 2.4, en la cual se muestra un
sistema de dos entradas, dos conjuntos difusos por entrada, cuatro reglas difusas y una salida.
A1 1 N1 1
x1
A2 2 N2 2
B1 3 N3 3
x2
B2 4 N4 4
donde,
x1 , x 2 : Entradas del sistema.
ANFIS posee 6 capas, cada una con una cierta función, las cuales se explican a
continuación.
25
Capa 1:
Cada neurona de esta capa traspasa una determinada variable de entrada hacia la capa
2, de acuerdo con la ecuación (2.12).
O j (1) x j , j 1, 2. (2.12)
donde,
O j (1) : Salida de la j-ésima neurona de la capa 1.
Capa 2:
Las neuronas de esta capa llevan a cabo la fusificación de las entradas, por medio de
funciones de pertenencia del tipo gaussiana simétrica. La ecuación (2.13) muestra, a modo
donde,
A ( x1 )
m
: Función de pertenencia de Am .
A m
: Dispersión de la función de pertenencia de Am .
Capa 3:
Cada neurona en esta capa calcula la fuerza de disparo de cada una de las reglas
difusas, de acuerdo con la ecuación (2.14).
wi Am ( x1 ) Bn ( x2 ) (2.14)
donde,
wi : Fuerza de disparo de i-ésima regla.
Capa 4:
Las neuronas de esta capa normalizan cada una de las fuerzas de disparo de las reglas
difusas respecto a la suma de todas las fuerzas de disparo, como se muestra en la ecuación
(2.15).
wi
wi , i = 1,2,3,4. (2.15)
w1 w2 w3 w4
26
Capa 5:
Cada neurona en esta capa calcula el producto entre la salida individual de la i-ésima
regla por su respectiva fuerza de disparo normalizada, como se indica en la ecuación (2.16).
donde,
Oi (5) : Salida de la i-ésima neurona de la capa 5.
Capa 6:
La neurona en esta capa suma las salidas de cada neurona de la capa 5, para así obtener
la salida del sistema, tal como se muestra en la ecuación (2.17).
4
4 4 w f i i
Oi (6)
Oi = wi fi =
(5) i 1
4
(2.17)
i 1 i 1
w
i 1
i
Por otra parte, un modelo ANFIS usa un algoritmo de aprendizaje híbrido para la
identificación de los parámetros. Este algoritmo combina un estimador de mínimos
cuadrados y el método de descenso de gradiente [21].
En este proceso de aprendizaje, también conocido como entrenamiento, cada época o
iteración se compone de un paso hacia adelante y uno hacia atrás. En el paso hacia adelante,
un conjunto de datos de entrenamiento es presentado al sistema ANFIS, se calculan las
salidas de las neuronas del sistema y los parámetros de los consecuentes de las reglas son
identificados por medio de la técnica de mínimos cuadrados. En el paso hacia atrás, los
errores de estimación del sistema son propagados hacia las primeras capas y los parámetros
de los antecedentes de las reglas son actualizados por el método del descenso del gradiente.
El detalle de los algoritmos de aprendizaje se puede encontrar en [18] y [21].
Por último, la determinación de la estructura de un sistema difuso del tipo Sugeno
que con un mínimo de reglas represente el comportamiento entrada-salida de un sistema, se
puede lograr por medio de la técnica basadas en clustering de datos subtractive clustering
detallada en [22].
En este trabajo se utiliza este método para la determinación del número de funciones
de pertenencia por entrada y número de reglas difusas del sistema a ser entrenado por medio
de ANFIS.
27
Figura 3.2 Presión de descanso – primera campaña de SAG 1 (Fuente: Elaboración propia).
30
esta variable no se puede medir directamente, se busca mantener constante la presión del
descanso.
Las señales que muestran las mayores variaciones son la potencia y la velocidad de
operación (Figura 3.3 y Figura 3.4). Sin embargo, se observa que las señales de potencia y
velocidad se encuentran correlacionadas.
En la Tabla 3.1 se presentan los valores promedio de las alturas de alzadores
registradas durante las inspecciones correspondientes a las campañas del molino SAG 1. Las
distintas alturas son asociadas a un tiempo efectivo de campaña, es decir sin considerar los
tiempos de detención.
El procedimiento de medición se detalla en el Anexo A.
Tabla 3.1 Inspecciones de altura de alzadores – SAG 1 (Fuente: Elaboración propia).
Las curvas interpoladas de desgaste de la Figura 3.5 y Figura 3.6 junto con los
registros de las variables de proceso, son utilizados para el desarrollo del modelo de desgaste
de alzadores del molino SAG 1. Para el caso del molino SAG 2, el procedimiento es el mismo.
33
formulación del RMSE se presenta en la ecuación (3.1), donde yi representa el valor medido,
1 N
RMSE yi yˆi (3.1)
N i 1
Figura 3.7 Evolución del RMSE con datos de entrenamiento y validación – SAG 1 (Fuente:
Elaboración propia).
Mineral Altura de
Velocidad Potencia Presión
procesado alzadores
Figura 3.8 Funciones de pertenencia de cinco primeras reglas de modelo de desgaste – SAG 1
(Fuente: Elaboración propia).
Variable Función de c
pertenencia (desviación) (centro)
A1 0.0698 0.2316
Mineral procesado A2 0.0603 0.1170
B1 0.0443 0.6425
Velocidad B2 0.0473 0.5394
C1 0.0756 0.7052
Potencia C2 0.0746 0.5343
D1 0.0214 0.8264
Presión de descanso D2 0.0270 0.8048
36
Figura 3.10 Altura de alzadores en función de mineral procesado y potencia – SAG 1 (Fuente:
Elaboración propia).
Figura 3.11 Altura de alzadores en función de mineral procesado y presión de descanso – SAG
1 (Fuente: Elaboración propia).
38
La Figura 3.10 muestra que el mayor desgaste de los alzadores, con altos valores de
mineral procesado, se encuentra asociado a los mayores valores de potencia. La superficie de
esta figura considera una velocidad de 10 rpm y una presión de descanso de 55 kg/cm2.
Similarmente, si se considera una velocidad de 10 rpm y potencia de 8.21 MW, la
Figura 3.11 muestra que, con altos valores de mineral procesado, el mayor desgaste de los
alzadores se encuentra asociado a los menores valores de presión de descanso.
La tendencia anterior tiene su explicación en la pérdida de masa de los alzadores a
medida que éstos se desgastan, la cual no es compensada por una mayor carga de mineral
porque el nivel de llenado se mantiene relativamente constante a lo largo de una campaña.
Figura 3.13 Curva de error al evaluar modelo de desgaste SAG 1 – datos de campaña 1ª
(Fuente: Elaboración propia).
Figura 3.15 Curva de error al evaluar modelo de desgaste SAG 1 – datos de campaña 1B
(Fuente: Elaboración propia).
formulación del índice MAPE se presenta en la ecuación (3.2), donde yi representa el valor
iterativo para cada una de las partículas, en el cual primero localiza las partículas y bordes en
contacto.
Posteriormente, se calcula la suma de todas las fuerzas y momentos que actúan sobre
cada partícula. Cabe mencionar que en la sumatoria de momentos se utilizan las ecuaciones
rotacionales de Euler y en la sumatoria de fuerzas se utiliza la segunda ley de Newton. En la
ecuación (4.1) se muestra la sumatoria de fuerzas sobre una determinada partícula.
F neta
Fc Fext m a (4.1)
donde,
X k 1 X k X X k Vk dt (4.3)
donde,
V : Velocidad.
X : Posición.
dt : Paso de tiempo.
44
Figura 4.1 Forma de la carga del molino – sentido de giro antihorario (Fuente: Elaboración
propia).
Figura 4.2 Matriz nivel de llenado–velocidad con altura de alzadores de 377 mm (Fuente:
Elaboración propia).
Figura 4.3 Matriz nivel de llenado – velocidad con altura de alzadores de 140 mm (Fuente:
Elaboración propia).
46
Figura 4.4 Curvas de potencia vs velocidad – altura 377 mm (Fuente: Elaboración propia).
47
Donde,
: Velocidad de operación, en rad/s.
T : Torque requerido para el giro del molino.
A medida que la velocidad de operación se acerca a la velocidad crítica, la tasa de
crecimiento de la potencia es menor debido a que el centro de gravedad de la carga comienza
a desplazarse hacia el centro del molino, lo cual reduce el requerimiento de torque.
Además, se observa que la curva asociada al 45% del nivel de llenado es la que posee
los menores valores de potencia, mientras que las curvas correspondientes al 30 y 35% son
las que alcanzan los mayores valores. Los valores bajos de potencia de la curva asociada al
45% del nivel de llenado se debe a que el centro de masa de la carga se encuentra desplazado
hacia el centro del molino, lo cual reduce la potencia requerida.
Por otro lado, en la Figura 4.5 se muestran las curvas de potencia vs velocidad para
distintas alturas de alzadores y un nivel de llenado de 25 %.
Figura 4.6 Curvas de potencia vs nivel de llenado – altura de alzadores de 377 mm (Fuente:
Elaboración propia).
Centro de masa
de la carga
Mc·g
Figura 4.1 Simplificación del requerimiento de torque para el giro de un molino (Fuente:
Elaboración propia).
T Mc g d (4.5)
Donde,
Mc : Masa total de la carga al interior del molino.
g : Aceleración de gravedad.
d : Brazo de la fuerza peso de la carga del molino.
Un segundo efecto del aumento de la carga, y que explica la parte decreciente de las
curvas de potencia, es el desplazamiento del centro de masa de la carga hacia el centro del
molino. Lo anterior genera una disminución en el requerimiento de torque, debido a que el
aumento de la masa de la carga no logra compensar la disminución del brazo de la fuerza
peso.
Por otra parte, en la Figura 4.7 se muestran las curvas de potencia vs nivel de llenado
para distintas alturas de alzadores y una velocidad de 85 % de la velocidad crítica.
50
Figura 4.7 Curvas de potencia vs nivel de llenado – velocidad de 85% (Fuente: Elaboración
propia).
Figura 4.8 Estructura de molino SAG simulado en Rocky DEM (Fuente: Elaboración propia).
Por otra parte, en la Figura 4.9 se muestra la superposición del valor promedio (línea
naranja), valor promedio más desviación estándar (línea morada) y valor promedio menos
desviación estándar (línea amarilla) de las fuerzas.
52
(a)
(b)
(c)
Figura 4.9 Fuerza ejercida por las partículas sobre el molino (Fuente: Elaboración propia).
(a) Fuerza en la dirección del eje X; (b) Fuerza en la dirección del eje Y; (c) Fuerza en la dirección del eje Z.
53
En la Figura 4.9 se observa que solo la fuerza en la dirección del eje Y presenta un
promedio significativo respecto a la desviación estándar. Debido a lo anterior, en el análisis
estático usado para determinar las reacciones de los descansos, solo se consideran las fuerzas
promedio en la dirección del eje Y.
La estructura del molino se encuentra dividida en 13 secciones transversales.
Específicamente, se tiene un extremo de alimentación (E.A), costado izquierdo (C.I), 9
anillos centrales, costado derecho (C.D) y finalmente extremo de descarga (E.D). Los largos
de cada sección se detallan en la Tabla 4.1.
Tabla 4.1 Largo de secciones del molino (Fuente: Elaboración propia).
Figura 4.10 Distribución de fuerzas sobre secciones del molino (Fuente: Elaboración propia).
FE.A FC.I FA1 FA2 FA3 FA4 FA5 FA6 FA7 FA8 FA9 FC.D FE.D
603 603
1212 434 400 400 400 400 400 400 400 400 400 427 940
R.A R.D
Figura 4.12 Esquema de fuerzas involucradas en el equilibrio del molino (Fuente: Elaboración
propia).
donde,
FEA : Fuerza ejercida por las partículas en contacto con sección E.A.
FCI : Fuerza ejercida por las partículas en contacto con sección C.I.
FAK : Fuerza ejercida por las partículas en contacto con sección AK.
FCD : Fuerza ejercida por las partículas en contacto con sección C.D.
FED : Fuerza ejercida por las partículas en contacto con sección E.D.
donde,
R. A : Reacción en el descanso de alimentación.
Por otro lado, la expresión que relaciona el desgaste de los alzadores con la masa de
los revestimientos se muestra en la ecuación (4.9).
donde,
D : Desgaste de alzadores, expresado en mm.
La relación anterior se obtiene modificando la altura de los alzadores y calculando el
volumen de las piezas, por medio del uso de software de dibujo asistido por computador.
Dado que las piezas son de acero, la masa se puede calcular directamente a través de la
densidad.
Al multiplicar la masa de los revestimientos por la constante de aceleración de
gravedad, se obtiene la fuerza peso de estas piezas que es compensada por las reacciones en
los descansos para mantener al molino en equilibrio.
En la Figura 4.13 se muestra la evolución de la masa de los revestimientos del molino
conforme disminuye la altura de los alzadores.
Figura 4.13 Masa de revestimientos en función del desgaste de alzadores (Fuente: Elaboración
propia).
Figura 4.14 Curvas de reacción vs nivel de llenado – Altura de alzadores de 377 mm (Fuente:
Elaboración propia).
Figura 5.2 Evolución del RMSE durante la etapa de entrenamiento del modelo (Fuente:
Elaboración propia).
Figura 5.3 Funciones de pertenencia de las 2 reglas del modelo (Fuente: Elaboración propia).
C2 2 N2 2
x3
x4
x4 D1
Altura de
alzadores D2
Figura 5.4 Estructura ANFIS del modelo del nivel de llenado (Fuente: Elaboración propia).
Variable Función de σ c
pertenencia (desviación) (centro)
Reacción descanso A1 0.0908 0.8566
de descarga A2 0.1119 0.7318
Potencia B1 0.1006 0.8876
B2 0.1238 0.9054
Velocidad C1 0.0788 0.7639
C2 0.0774 0.7867
Altura de alzadores D1 0.1972 0.5855
D2 0.2439 0.7950
Tabla 5.4 Parámetros de los consecuentes de las reglas (Fuente: Elaboración propia).
Figura 5.5 Nivel de llenado en función de reacción de descanso y potencia, altura de alzadores
de 300 mm y 75% de la velocidad crítica (Fuente: Elaboración propia).
65
Figura 5.7 Nivel de llenado en función de potencia y velocidad, altura de alzadores de 300 mm
(Fuente: Elaboración propia).
Por otra parte, la superficie presentada en la Figura 5.6 muestra que, para un mismo
valor de reacción en el descanso, el nivel de llenado estimado es mayor en la medida que los
alzadores se encuentran más desgastados. La explicación a esta tendencia radica en que la
densidad media de la carga del molino es menor a la de los alzadores, por lo que la reducción
de material de los alzadores debe ser compensada por un volumen mayor de mineral.
Finalmente, en la Figura 5.7 se observa que el nivel de llenado tiende a aumentar
conforme se incrementa la potencia, cualquiera sea la velocidad de giro del molino y
operando con una altura de alzadores de 300 mm. Lo anterior se debe a que, si la velocidad
de rotación es fija, un incremento de potencia es reflejo de un aumento del torque, el cual
depende directamente del llenado del molino.
Por otro lado, un mismo valor de potencia se encuentra asociado a un llenado mayor
en la medida que la velocidad de operación es menor. Esto tiene su explicación en que, para
una cierta altura de alzador, la potencia desarrollada depende tanto de la velocidad de
operación como del nivel de llenado, por lo que si la potencia es fija las contribuciones de
los efectos anteriores son inversamente proporcionales.
utilizados en la etapa de entrenamiento del modelo. Este grupo se presenta en la Tabla 5.7.
Tabla 5.7 Tercer grupo de simulaciones de evaluación (Fuente: Elaboración propia).
Cabe mencionar que en todos los grupos se incluyen simulaciones que combinan
alturas de alzadores altas (≥ 340 mm) con velocidades altas (≥ 82.5 %), así como alturas de
alzadores bajas (≤ 180 mm) con velocidades bajas (≤ 67.5 %). De esta manera se evalúa que
el estimador sea robusto ante variaciones del flujo en catarata de las partículas.
El resultado de la evaluación del modelo del nivel de llenado se muestra en la Figura
5.8, donde los niveles de llenado utilizados en las simulaciones junto con los
correspondientes valores estimados se encuentran ordenados por índice de simulación.
En la Figura 5.9 se muestran los correspondientes errores de estimación, también
ordenados por índice de simulación. Se observa que todos los errores de estimación son
menores a 0.15% (con base el 100% del nivel de llenado).
Figura 5.9 Errores de estimación obtenidos en la evaluación del modelo (Fuente: Elaboración
propia).
Por otro lado, en la Tabla 5.8 se presentan los índices de error RMSE y MAPE de
cada grupo de simulaciones, así como aplicados al total de simulaciones. El índice RMSE se
expresa en porcentaje respecto al 100% del nivel de llenado del molino, mientras que el
índice MAPE se expresa en porcentaje respecto a los valores específicos de llenado usados
en las simulaciones DEM.
Tabla 5.8 RMSE y MAPE de simulaciones de evaluación (Fuente: Elaboración propia).
Los índices de error presentados en la Tabla 5.8 reflejan una buena estimación del
nivel de llenado a partir de variables de proceso y eléctricas, dado que el MAPE obtenido
considerando todas las simulaciones de evaluación es de un 0.27%. Además, la variación del
error, expresado en porcentaje respecto al 100% de la variable estimada, no sobrepasó el
0.22%, con un índice RMSE del 0.09%.
70
donde,
p : Presión del descanso del lado de descarga, en kg/cm2.
k : Ganancia toneladas-presión.
J c a2 R b2 P c2 V d 2 H e2 (6.3)
donde,
Jc : Nivel de llenado.
R : Reacción en el descanso del lado de descarga.
P : Potencia demandada por el molino.
V : Velocidad de operación.
H : Altura de alzadores.
a1 , a2 : Parámetros de ponderación de reacción en el descanso.
Tabla 6.2 Valores promedio de mediciones de terreno SAG 2 (Fuente: Elaboración propia).
Figura 6.5 Valores promedio de registros de terreno de molino SAG 1 (Fuente: Elaboración
propia).
Los valores obtenidos de los parámetros ajustados, para los modelos de cada molino
SAG, se presentan en la Tabla 6.3.
Tabla 6.3 Parámetros ajustados con datos de terreno (Fuente: Elaboración propia).
Parámetros
Modelo k offset b1 b2 d1 d2
SAG 1 0.049360 -12.251 0.47334 -0.078389 -0.46993 -1.52·10-8
SAG 2 0.046879 -5.0074 0.35836 -0.01171 -0.31784 -0.022033
6.5. Resultados
En la Figura 6.6 se muestra la comparación de los distintos niveles de llenado
registrados en terreno y las estimaciones del modelo de nivel de llenado del molino SAG 1 a
partir de variables de proceso.
77
Figura 6.6 Estimaciones del nivel de llenado – molino SAG 1 (Fuente: Elaboración propia).
En la Tabla 6.4 se muestra los errores en la estimación del nivel de llenado para cada
una de las inspecciones del modelo del molino SAG 1, mientras que en la Tabla 6.5 se
muestra para el caso del molino SAG 2.
Tabla 6.4 Errores de estimación de modelo de nivel de llenado SAG 1 (Fuente: Elaboración
propia).
Tabla 6.5 Errores de estimación de modelo de nivel de llenado SAG 2 (Fuente: Elaboración
propia).
Capítulo 7. Conclusiones
7.1. Sumario
▪ Se realizó una extensa revisión bibliográfica para situar el presente trabajo respecto
al estado del arte en la estimación en línea del desgaste de alzadores y nivel de llenado
de molinos SAG.
▪ Se desarrolló un resumen de los conceptos asociados a la modelación neuro-difusa,
presentando en primera instancia los sistemas difusos, luego las redes neuronales
artificiales y finalmente el sistema híbrido ANFIS.
▪ Se desarrollaron dos modelos neuro-difusos de desgaste de alzadores a partir de
registros de terreno de variables de proceso y valores de altura obtenidos por
inspección visual. Para cada uno de los molinos se utilizaron datos de dos campañas
de alzadores.
▪ Se analizaron los valores de potencia y reacción de descansos obtenidos a partir de
las simulaciones DEM, el análisis se realizó desde una perspectiva física y
comparando con trabajos de la bibliografía.
▪ Se desarrolló un modelo neuro-difuso del nivel de llenado a partir de los datos
generados a partir de un conjunto de 100 simulaciones DEM en un amplio rango de
variación de condiciones de operación. La evaluación se realizó con un set de 25
simulaciones adicionales.
▪ Se presentaron dos modelos de nivel de llenado, para los molinos SAG 1 y SAG 2,
obtenidos por medio del ajuste del modelo neuro-difuso generado en base a DEM por
medio de registros de terreno e inspecciones visuales del nivel de llenado. El ajuste
de los parámetros de los modelos se llevó a cabo mediante herramientas de
optimización de Simulink.
80
7.2. Conclusiones
1. La metodología de modelación neuro-difusa usada en la estimación en línea del
desgaste de alzadores, constituye una valiosa herramienta para evitar detenciones del
molino a causa de inspección de estas piezas y además es un apoyo en la planificación
del mantenimiento. Lo anterior se respalda en que, utilizando variables de proceso y
eléctricas, los modelo del SAG 1 y SAG 2 presentaron desviaciones máximas 2.1 y
8.6 mm, respectivamente. Estas desviaciones representan el 0.56 y 2.28% de la altura
nominal de los alzadores, respectivamente. Además, los índices MAPE obtenidos en
la evaluación de cada uno de los modelos son inferiores a 1%.
2. Los datos obtenidos por medio de Rocky DEM permiten desarrollar
satisfactoriamente un modelo neuro-difuso capaz de estimar el nivel de llenado en
función de la reacción del descanso de descarga, potencia, velocidad y altura de
alzadores. Lo anterior se debe a que las simulaciones cubren un amplio rango de
variación de las condiciones operacionales y son consistentes entre sí. Los errores de
estimación no superaron en ningún caso el 0.22% del volumen total del molino.
3. El ajuste por medio de datos de terreno del modelo neuro-difuso del nivel de llenado
fue satisfactorio en el caso de los molinos SAG 1 y SAG 2, lo cual se respalda en que
en ninguna condición de terreno el error de estimación superó el 0.8% del volumen
total del molino. Además, los índices errores promedio obtenidos en la evaluación de
cada uno de los modelos son inferiores a 0.35%.
4. La metodología neuro-difusa de estimación del nivel de llenado constituye una
valiosa herramienta para los sistemas de control avanzado de una planta de molienda,
dado que la formulación del control podría incorporar el nivel de llenado y no solo la
presión de los descansos. Lo anterior contribuye a estabilizar el proceso de molienda
en una condición óptima respecto al aprovechamiento de la capacidad de diseño de
un molino SAG, sin el riesgo de caer en condiciones de sobrellenado o vaciado del
molino que merman la producción de mineral y la eficiencia del proceso.
81
Bibliografía
[1] C. Stenström, “Ultrasonic for monitoring of mining mill linings: Pilots Experiments”,
Center for Maintenance and Industrial Services, Division of Operation, Maintenance
and Acoustics, Luleå University of Technology, Suecia, Reporte técnico, Abril 2016.
[5] M. Rezaeizadeh, M. Fooladi, and M.S Powell, “An experimental investigation of the
effects of operating parameters on the wear of lifters in tumbling mills”, Minerals
Engineering, vol. 23, pp. 558-562, Diciembre 2009.
[6] Ahmadzadeh, F, Lundberg, J, 2013. Remaining useful life prediction of grinding mill
liners using an artificial neural network. Miner. Eng. 53, 1–8.
[7] R.P King, “Modeling and simulation of mineral processing systems” Society for
Mining, Metallurgy, and Exploration, Inc. (SME); Second edition (2012).
[8] Daniel Sbárbaro, René del Villar, “Advanced control and supervision of mineral
processing plants” Springer; First edition (2010).
[9] Salazar, J., Magne, L., et al., 2009. Dynamic modelling and simulation of
semiautogenous mills. Miner. Eng. 22 (1), 70–77.
[10] Pontt, J, 2004. MONSAG: A new monitoring system for measuring the load filling
of a SAG mill. Miner. Eng. 17, 1143–1148.
[11] M. H. Moys, “The control of autogenous and semi-autogenous mills: the relationship
between measurements of bearing pressure and parameters describing the mill load”
Journal of the Southern African Institute of Mining and Metallurgy, vol. 72, No 11,
83
[15] J.D. le Roux, A. Steinboeck, A. Kugi, I.K. Craig, “An EKF observer to estimate semi-
autogenous grinding mill hold-ups” Journal of Process Control, vol. 51, pp. 27-41,
March 2017.
[16] Jian Tang, Tianyou Chai, Lijie Zhao, Wen Yu, Heng Yue, “Soft sensor for parameters
of mill load based on multi-spectral segments PLS sub-models and on-line adaptive
weighted fusion algorithm” Neurocomputing, vol. 78, No 1, pp. 38-47, February
2012.
[17] Chin-Teng Lin (Author), C. S. George Lee (Author), “Neural Fuzzy Systems: A
Neuro-Fuzzy Synergism to Intelligent Systems” Prentice Hall; Har/Dskt edition (May
1996).
[19] Zadeh, L.A, “Fuzzy Logic” IEEE Comput., vol.1 pp. 83 - 93, 1988.
[20] M.J Willis, et al, “Artificial neural networks in process engineering” IEEE
Proceedings D (Control Theory and Applications), vol.138 pp. 256 - 266, 1991.
[21] J.-S. Roger Jang. “ANFIS: Adaptive-network-based fuzzy inference system”, IEEE
Trans. Syst. Man Cybern, 23(03):665-685, May 1993.
84
[22] S. Chiu, “Method and software for extracting fuzzy classification rules by subtractive
clustering” 1996 Biennial Conference of the North American. Berkeley, USA.
[23] B. Li, Z. Cao, M. Liu, J. Hao, “Approach to complex hydrogen reactor optimization
modeling based on ANFIS” 2012 IEEE 2nd International Conference on Cloud
Computing and Intelligent Systems (CCIS). Hangzhou, China, 2012.
[24] A. Jahic, T. Konjic, J. Pihler and A. Jahic, "Photovoltaic power output forecasting
with ANFIS," Mediterranean Conference on Power Generation, Transmission,
Distribution and Energy Conversion (MedPower 2016), Belgrade, 2016, pp. 1-8.
[25] L. Minchala, et al., “A comparative study of black-box models for cement quality
prediction using input-output measurements of a closed circuit grinding” 2016 Annual
IEEE Conference on Systems Conference (SysCon). Orlando, FL, USA.
[27] X. Quiu, A. Potatov, M. Song, L. Nordell, “Prediction of Wear of Mill Lifters Using
Discrete Element Method” Mular A(ed) SAG 2001, Vancouver, B.C. Canada.
[30] N. Djordjevic, “Discrete element modelling of the influence of lifters on power draw
of tumbling mill”, Minerals Engineering, vol. 16, pp. 331-336, 2003.
[31] P. Owen, P. Cleary “The relationship between charge shape characteristics and fill
level and lifter height for a SAG mill”, Minerals Engineering, vol. 83, pp. 19-32,
2015.
[32] P. Cleary, P. Owen “Development of models relating charge shape and power draw
to SAG mill operating parameters and their use in devising mill operating strategies
to account for liner wear”, Minerals Engineering, vol. 117, pp. 42-62, 2018.
85
[33] Manual – Workshop 04 - SAG Mill (Wear and Particle Energy Spectra), Rocky, 2017.
[34] Manual – A Brief Introduction to DEM and an overview of contact force models in
Rocky, Rocky, 2017.
Figura A.2 Esquema de corte transversal de molino SAG (Fuente: Elaboración propia).
87
Figura A.3 Vista interna de molino SAG durante inspección del nivel de llenado (Fuente:
CODELCO).
88
Tabla B.3 Volumen del molino para niveles de llenado del 25 al 45% (Fuente: Elaboración
propia).
A partir de los datos de la Tabla B.3, es posible establecer una relación entre el
volumen del molino con extremos cónicos y el nivel de llenado, la cual se muestra en la
ecuación (B.1).
Vc arg a 369.328 J c 12.5746 (B.1)
Luego, se calcula el volumen ocupado por mineral para los distintos niveles de
llenado experimentales, a partir de la resta del volumen de bolas al volumen ocupado por la
carga. Los resultados se muestran en la Tabla B.5.
Tabla B.5 Volumen ocupado por mineral para niveles de llenado experimentales (Fuente:
Elaboración propia).
donde,
Mm : Masa de mineral, en kg.
(a)
(b)
(c)
Figura B.1 Niveles de llenado medidos en terreno simulados en DEM (Fuente: Elaboración
propia).
(a) Llenado 26.2 %; (b) Llenado 33.7 %; (c) Llenado 36.1 %.
La Tabla B.7 contrasta los niveles de llenado obtenidos mediante el conteo de
alzadores en DEM y en terreno.
Tabla B.7 Niveles de llenado según método del conteo de alzadores – DEM y terreno (Fuente:
Elaboración propia).
Una vez que la geometría desgastada alcanza una cierta altura para la cual se desea
medir el ángulo de ataque correspondiente, se realiza por medio del software Inventor una
superposición de una superficie rectangular sobre la cara de ataque del alzador desgastado,
tal como se muestra en la Figura C.4.
De esta manera, es posible definir una nueva geometría de alzador cuyo ángulo de
ataque sea representativo del nivel de desgaste. En la Figura C.5 se muestra la medición del
ángulo entre la cara superior y la cara de ataque del nuevo alzador. Al restar 90° a este ángulo
se obtiene el valor del ángulo de ataque.
Figura C.5 Ángulo entre la cara superior y de ataque de nueva geometría de alzador (Fuente:
Elaboración propia).